[發(fā)明專利]一種基于深度學(xué)習(xí)的心電信號情緒識別方法

在審

• 申請?zhí)枺?/td>: 201710870929.3
• 申請日: 2017-09-24
• 公開（公告）號: CN107736894A
• 公開（公告）日: 2018-02-27
• 發(fā)明（設(shè)計）人: 李鴻楊;龐彥偉
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/0402;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所12201
• 代理人: 程毓英

1.一種基于深度學(xué)習(xí)的心電信號情緒識別方法，包含如下步驟:

1)數(shù)據(jù)收集階段:在各種情緒圖片誘發(fā)條件下，通過胸部或者腕部，采集被試者在不同情緒下的心電數(shù)據(jù)，將采集得到的心電數(shù)據(jù)分割成固定長度的心電信號，并且為不同情緒下得到的心電數(shù)據(jù)制作相應(yīng)的標(biāo)簽；

2)數(shù)據(jù)預(yù)處理階段:對采集到的心電數(shù)據(jù)進(jìn)行預(yù)處理，首先進(jìn)行基于小波變換的基線漂移去除，之后進(jìn)行噪聲去除，噪聲去除采用采用基于非抽樣小波的多閾值去噪方法。

3)數(shù)據(jù)標(biāo)準(zhǔn)化，對去噪后的心電數(shù)據(jù)進(jìn)行歸一化處理，并將數(shù)據(jù)集分為訓(xùn)練集和驗證集

4)模型訓(xùn)練階段:設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，利用訓(xùn)練集的數(shù)據(jù)進(jìn)行模型的訓(xùn)練，方法如下：

A.設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，共包含6個卷積層，每個卷積層后面是批歸一化層，批歸一化層后面的激活函數(shù)采用的是修正線性單元ReLU激活函數(shù)，前三個卷積單元后添加最大池化層，最大池化層采用的是3×1模板，步長為2×1。前兩個卷積層卷積核大小都為5×1，第三、四、五層的卷積層卷積核大小都為3×1，最后一個卷積層卷積核大小都為8×1，最后一個卷積層的卷積通道數(shù)為4，即情緒類別個數(shù)。其它卷積層的通道數(shù)為32。

B.對卷積濾波器權(quán)重的參數(shù)進(jìn)行初始化:方差為0.01，標(biāo)準(zhǔn)差為0，迭代的次數(shù)為80次。沖量大小為0.9，學(xué)習(xí)率為0.1；

C.前向計算；根據(jù)輸入數(shù)據(jù)和初始化后的濾波器權(quán)重，進(jìn)行卷積計算。再對卷積后得到的特征圖進(jìn)行批歸一化處理。再利用修正線性單元ReLU激活函數(shù)對批歸一化后的數(shù)據(jù)進(jìn)行非線性映射；如果有最大池化層，則進(jìn)行池化處理，通過多次上述操作，得到最終的特征圖，將最終的特征圖作為輸入數(shù)據(jù)，輸入到Softmax分類器中得到最終的情緒識別結(jié)果；

D.反向傳播：根據(jù)前向計算分類的結(jié)果和標(biāo)簽，計算損失，并從最后一層到第一層，應(yīng)用反向傳播算法對卷積濾波器的權(quán)重參數(shù)的進(jìn)行更新、優(yōu)化，通過權(quán)重參數(shù)的學(xué)習(xí)、更新，使得訓(xùn)練誤差不斷降低，達(dá)到模型優(yōu)化的目的；

E.重復(fù)步驟B和步驟C，通過迭代來不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，直到達(dá)到終止條件。

F.確定模型:根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果，根據(jù)驗證集數(shù)據(jù)的測試結(jié)果，選擇其中驗證集錯誤率最低的模型為最優(yōu)模型，并將其確定為最終的使用模型。